論文の概要: PAGE-RAG: Provenance-Aware Graph Evidence Promotion for Fixed-Budget Multi-hop Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2608.29753v1
• Date: Sun, 30 Aug 2026 12:33:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.057035
• Title: PAGE-RAG: Provenance-Aware Graph Evidence Promotion for Fixed-Budget Multi-hop Retrieval-Augmented Generation
• Title（参考訳）: PAGE-RAG:Provenance-Aware Graph Evidence promoted for Fixed-Budget Multi-hop Retrieval-Augmented Generation
• Abstract要約: 検索増強ジェネレーション(RAG)におけるマルチホップ質問応答は、最終的に読まれる数少ない候補以上の検索の恩恵を受けることが多い。 本稿では,PAGE-RAG(Provenance-Aware Graph Evidence promoted method)を提案する。 PAGE-RAGはプラグインとして、推論指向、圧縮ベース、グラフベース、ドキュメント/チャンクレベルのシステムを含む、報告されたすべてのRAGバックエンドを改善している。
• 参考スコア（独自算出の注目度）: 13.8041276969708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-hop question answering in retrieval-augmented gener?ation (RAG) often benefits from retrieving beyond the few candidates that will finally be read: narrow retrieval can miss an indispensable hop, while expanded retrieval introduces topical distractors. This challenge is not tied to a particu?lar knowledge-base format. Candidate pools may come from standalone retrievers, standard RAG backends, or graph-based retrieval pipelines. What is needed is a query-aware selection layer that can use relational structure to filter candidates be?fore generation. PAGE-RAG addresses this setting by using a graph as a temporary selection structure, rather than assum?ing a graph-structured knowledge base. It builds a query-local graph over retrieved candidates, records why candidates are connected, and treats each connection as a support hypothe?sis rather than support itself. We identify the resulting failure mode as a connectivity-support gap: connected candidates do not necessarily support the answer. We propose PAGE-RAG, a Provenance-Aware Graph Evidence promotion method that scores candidate paths with relevance, source-tracing meta?data, specificity, hubness, noise, and coherence signals, and applies minimal sufficient selection to promote supporting facts into a compact reader context. PAGE-RAG can serve as a complete retrieval-to-reading pipeline, and the same promo?tion stage can be inserted after existing retrieval or RAG sys?tems without replacing their upstream retrieval logic. Across three multi-hop QA benchmarks under the same final bud?get, PAGE-RAG improves support F1 and answer F1 by 10.4 and 3.3 points on a weighted average over a strong retriever. As a plug-in, PAGE-RAG further improves all reported RAG backends, including reasoning-oriented, compression-based, graph-based, and document/chunk-level systems.
• Abstract（参考訳）: 検索強化ジェネレータにおけるマルチホップ質問応答 制限された検索は必須のホップを見逃しかねないが、拡張された検索はトピック的な障害をもたらす。 この挑戦はパルティキュと結び付いていないのか? lar knowledge-base フォーマット。 候補プールはスタンドアロンのレトリバー、標準のRAGバックエンド、グラフベースの検索パイプラインから提供される。 必要なのは、リレーショナル構造を使って候補をフィルタリングできるクエリ対応のセレクション層です。 前世代 PAGE-RAGは、グラフを仮定ではなく一時的な選択構造として使うことで、この設定に対処しますか? グラフ構造化の知識ベースを構築する。 検索した候補に対してクエリローカルグラフを構築し、なぜ候補が接続されているのかを記録し、各コネクションをサポート仮説として扱うのか? 支援するより むしろ 姉さん。 我々は、結果の障害モードを接続支援ギャップとして認識する: 接続された候補は必ずしもその答えをサポートしない。 PAGE-RAG, Provenance-Aware Graph Evidence promoted method that scores candidate paths with Relevance, source-tracing meta? データ、特異性、ハブ性、ノイズ、コヒーレンス信号は、サポート事実をコンパクトな読み取りコンテキストに促進するために、十分な選択を最小限に適用する。 PAGE-RAGは完全な検索読み上げパイプラインとして機能し、同じプロモとして機能しますか? 既存の検索やRAG sysの後にイオンステージを挿入できるのか? トップストリームのロジックを 置き換えることなく 3つのマルチホップQAベンチマークを同じ最終バッドで比較する? PAGE-RAGはサポートF1を改善し、強力なレトリバーよりも重み付き平均でF1を10.4と3.3で解答する。 PAGE-RAGはプラグインとして、推論指向、圧縮ベース、グラフベース、ドキュメント/チャンクレベルのシステムを含む、報告されたすべてのRAGバックエンドを改善している。

関連論文リスト

• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• Query-Aware Flow Diffusion for Graph-Based RAG with Retrieval Guarantees [10.806910118253976]
  グラフベースのRetrieval-Augmented Generation (RAG)システムは複雑な関係を捉えるために相互接続された知識構造を利用する。 本稿では,各クエリの全体的意味論にグラフトラバーサルを動的に適用する学習自由フレームワークであるQuery-Aware Flow Diffusion RAG (QAFD-RAG)を提案する。 QAFD-RAGは、弱い信号対雑音条件下で、高い確率で関連部分グラフを復元する。
  論文  参考訳（メタデータ） (2026-04-21T08:53:34Z)
• PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering [57.89576196160413]
  大規模言語モデル (LLM) はマルチホップ質問応答 (MHQA) において脆弱のままである。 textbfPlanned Active Retrieval and Reasoning RAG (PAR$2-RAG)を提案する。
  論文  参考訳（メタデータ） (2026-03-30T23:52:54Z)
• IndexRAG: Bridging Facts for Cross-Document Reasoning at Index Time [3.674756352891229]
  IndexRAGは、オンライン推論からオフラインインデックスへ、クロスドキュメント推論をシフトする新しいアプローチである。 IndexRAGはドキュメント間で共有されるブリッジエンティティを特定し、独立した検索可能なユニットとしてブリッジング事実を生成する。
  論文  参考訳（メタデータ） (2026-03-17T11:51:31Z)
• MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries [2.756584457554517]
  Map-Disambiguate-Enrich-Reduce (MDER)はコンテキスト由来の3重記述を生成し、エンティティレベルの要約と統合する。 Decompose-Resolve (DR)は、ユーザクエリを解決可能なトリプルに分解し、知識グラフに格納する。 MDERとDRはLLM駆動のQAパイプラインを形成し、スパース、不完全、複雑なリレーショナルデータに対して堅牢である。
  論文  参考訳（メタデータ） (2026-03-11T18:38:44Z)
• Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
  グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。 本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。 GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-07T12:39:21Z)
• SAGE: Structure Aware Graph Expansion for Retrieval of Heterogeneous Data [47.930782177987446]
  不均一なコーパスに答える検索拡張された質問は、テキスト、テーブル、グラフノード間で接続されたエビデンスを必要とする。 標準レトリバーリーダーパイプラインは、独立にチャンクされたテキスト上の平坦な類似性検索を使用し、モダリティ間のマルチホップエビデンスチェーンを欠いている。 SAGE(Structure Aware Graph Expansion)フレームワークを提案する。これは、パーセンタイルベースのプルーニングとメタデータ駆動の類似性を利用して、チャンクレベルのグラフをオフラインで構築する。 暗黙的クロスモーダルコーパスと明示的スキーマグラフのエージェント検索であるSPARK(Structure Aware Planning Agent for Retrieval over Knowledge Graphs)のハイブリッド高密度スパース検索を用いて初期検索をインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-18T23:57:19Z)
• N2N-GQA: Noise-to-Narrative for Graph-Based Table-Text Question Answering Using LLMs [0.0]
  ハイブリッドテーブルテキストデータに対するマルチホップ質問応答には,大規模コーパスからの複数のエビデンス部分の検索と推論が必要である。 Standard Retrieval-Augmented Generation (RAG) パイプラインは文書をフラットなランクリストとして処理し、検索ノイズがあいまいな推論連鎖を引き起こす。 N2N-GQAは、ノイズの多い検索出力から動的エビデンスグラフを構成する、オープンドメインハイブリッドテーブルテキストQAのための最初のゼロショットフレームワークである。
  論文  参考訳（メタデータ） (2026-01-10T15:55:15Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。